相似图像的检测方法
相似形状判定方法
相似形状判定方法相似形状判定方法可以基于几何特征、数学模型等多种角度进行分析。
以下是50条关于相似形状的判定方法，并附上详细描述：1. 几何特征法：通过比较图形的边长、角度等几何特征来判定形状是否相似。
2. 比例法：观察图形的各个部分之间的长度比例，从而判断形状是否相似。
3. 比较面积法：比较图形的面积大小及比例，来确定是否为相似形状。
4. 尺度不变特征变换法（SIFT）：利用图像处理技术，通过检测图形的局部特征来进行相似形状的判定。
5. 尺度空间法：对图形进行不同尺度下的变换，通过比较不同尺度下的特征来判断形状的相似性。
6. 形状上下文法：利用轮廓的全局形状信息，通过图形的局部特征来进行相似形状的判定。
7. 轮廓匹配法：通过对轮廓线进行匹配，来判断形状的相似性。
8. 特征点匹配法：利用图形的特征点进行匹配，来确定形状是否相似。
9. 直方图法：将图形的特征表示为直方图，通过比较直方图来判断形状的相似性。
10. 形态学方法：利用数学形态学的原理，通过形态学操作来判断图形的相似性。
11. 傅里叶描述子法：通过傅里叶描述子来表示图形的形状，从而进行相似性判断。
12. 信息熵法：通过图形的信息熵来判断形状的相似性。
13. 神经网络方法：利用神经网络技术来学习和判断图形的相似性。
14. 质心法：通过计算图形的质心来判断形状的相似性。
15. 中心距法：利用图形的中心距来判断形状的相似性。
16. 几何矩法：通过计算图形的几何矩来判断形状的相似性。
17. 轮廓面积法：通过比较图形的轮廓面积来判断形状的相似性。
18. 边界法：通过比较图形的边界形状及特征来判断形状的相似性。
19. 形状符号方法：通过比较图形的形状符号来判断形状的相似性。
20. 线性不变尺度空间法（LSS）：利用线性不变尺度空间特征来进行相似形状的判定。
21. 图像矩形法：通过匹配和比较图像的矩形特征来判断形状的相似性。
22. 全局特征描述法：通过提取和比较图形的全局特征来判断形状的相似性。
图像相似度算法
图像相似度算法
图像相似度算法是一种利用大量测量细节来评估两个不同图像
之间相似度的方法。
近来，在计算机视觉技术发展迅速的今天，图像相似度算法受到了投资者高度关注，被广泛应用于各个领域。
图像相似度算法是一种数据挖掘技术，可以用来检测和识别图片中的内容。
它可以从大量的图像中检测出相似的图像，从而减少人类手工标注的工作量。
图像相似度算法不仅可以应用于图像分类，搜索，还可以用来检测和跟踪图像中的对象，提取图像中的信息等等。
图像相似度算法通常使用图像处理技术和机器学习技术来计算
图像之间的相似度。
它通常会使用一系列不同的技术，例如：形状、纹理、颜色等特征，来提取图像中的关键特征，并计算图像之间的差异。
图像相似度算法可以用来提高图像识别率，从而提高系统的准确性。
图像相似度算法还具有很多优点，例如：可以进行实时处理，检测出图像中存在的变化，更为精确地找出图像相似度，更好地识别图像，提高系统的可靠性和准确性等等。
此外，它还可以与大数据，人工智能等技术结合，进行更深入的图像分析。
图像相似度算法未来应用的前景非常广阔，在无人驾驶，智能家居，医疗技术等领域都可以被广泛地应用。
它可以用于识别复杂的图像，对图像内容进行分析和提取，用来做出更准确的决策和预测，并可以为机器学习和人工智能技术提供更加准确和可靠的数据。
因此，研发图像相似度算法在当今时代具有非常重要的意义，是
计算机视觉，人工智能发展的必要投资。
图像相似度算法的应用价值越来越体现在不同的领域，扮演着更加重要的角色，将为世界各地的技术带来更多便利和收益。
相似度测度总结汇总
1 相似度文献总结相似度有两种基本类别：（1）客观相似度，即对象之间的相似度是对象的多维特征之间的某种函数关系，比如对象之间的欧氏距离；（2）主观相似度，即相似度是人对研究对象的认知关系，换句话说，相似度是主观认知的结果，它取决于人及其所处的环境，主观相似度符合人眼视觉需求，带有一定的模糊性[13]。
1.1 客观相似度客观相似度可分为距离测度、相似测度、匹配测度。
它们都是衡量两对象客观上的相近程度。
客观相似度满足下面的公理，假设对象 A 与B 的相似度判别为(,)A B δ，有:(1) 自相似度是一个常量：所有对象的自相似度是一个常数，通常为 1，即 (,)(,)1A A B B δδ==(2) 极大性：所有对象的自相似度均大于它与其他对象间的相似度，即 (,)(,)(,)(,)A B A A A B B B δδδδ≤≤和。
(3) 对称性：两个对象间的相似度是对称的，即(,)(,)A B B A δδ=。
(4) 唯一性：(,)1A B δ=，当且仅当A B =。
1.1.1 距离测度这类测度以两个矢量矢端的距离为基础，因此距离测度值是两矢量各相应分量之差的函数。
设{}{}''1212,,,,,,,n n x x x x y y y y == 表示两个矢量，计算二者之间距离测度的具体方式有多种，最常用的有： 1.1.1.1 欧氏距离：Euclidean Distance-based Similarity最初用于计算欧几里德空间中两个点的距离，假设 x ，y 是 n 维空间的两个点，它们之间的欧几里德距离是：1/221(,)()n i i i d x y x y x y =⎡⎤=-=-⎢⎥⎣⎦∑（1.1）当x ，y 是两个直方图时，该方法可称为直方图匹配法。
可以看出，当 n=2 时，欧几里德距离就是平面上两个点的距离。
当用欧几里德距离表示相似度，一般采用以下公式进行转换：距离越小，相似度越大。
imagetest 原理解析
imagetest 原理解析imagetest原理解析imagetest是一种基于图像处理技术的测试方法，它主要用于图像分类、图像识别和图像检索等领域。
该方法通过对图像进行特征提取和模式匹配，实现对图像的自动化分析和处理。
一、特征提取特征提取是imagetest方法的关键步骤之一。
在这一步骤中，系统会对输入的图像进行预处理，提取出图像的特征信息，以便后续的模式匹配和分类。
常用的特征提取方法包括颜色特征、纹理特征、形状特征等。
1. 颜色特征提取颜色是图像中最直观和最容易获取的特征之一。
通过对图像中的像素进行统计分析，可以得到图像的颜色直方图。
颜色直方图描述了图像中各个颜色的分布情况，可以用于图像分类和检索。
2. 纹理特征提取纹理是图像中的重要特征之一，它描述了图像中像素之间的空间关系。
常用的纹理特征提取方法包括灰度共生矩阵、小波变换、Gabor滤波器等。
这些方法可以提取出图像中的纹理信息，用于图像分类和识别。
3. 形状特征提取形状是图像中物体的重要属性之一，它描述了物体的外轮廓和内部结构。
常用的形状特征提取方法包括边缘检测、边界描述、轮廓匹配等。
这些方法可以提取出图像中的形状信息，用于物体识别和检测。
二、模式匹配模式匹配是imagetest方法的另一个关键步骤。
在这一步骤中，系统会将特征提取得到的图像特征与预先存储的模板进行比对，找出最相似的模板，从而实现对图像的分类和识别。
1. 相似度计算相似度计算是模式匹配的核心内容之一。
常用的相似度计算方法包括欧氏距离、余弦相似度、相关系数等。
通过对图像特征和模板特征进行相似度计算，可以得到它们之间的相似程度，从而确定最匹配的模板。
2. 决策规则决策规则是模式匹配的另一个重要内容。
在这一步骤中，系统会根据相似度计算的结果，确定图像的分类或识别结果。
常用的决策规则包括最邻近分类法、支持向量机、神经网络等。
三、应用领域imagetest方法可以应用于多个领域，包括图像分类、图像识别和图像检索等。
图像检索实验报告
Project 4（一）实验方法：1. （构造样本库）对每一幅图像利用DoG 算子寻找关键点，每个关键点处构造SIFT 向量，该幅图像的所有关键点的SIFT 矢量构成该图像的特征矢量集。
所有图像的特征矢量集构成样本库特征矢量集；2. （匹配检索）求出需要检索的图像的特征矢量集，用ANN 搜索算法，与样本库特征矢量集进行相似度匹配并输出最相似的前K 张图。
（二）实验算法原理：1. 图像的多尺度表示：利用SIFT 算法提取特征时的尺度不变性，对图像的SIFT 特征构成样本库。
构建尺度空间，在尺度空间内找到稳定的关键点。
尺度空间定义为：(,,)(,,)(,)L x y G x y I x y σσ=*其中222()/221(,,)2x y G x y eσσπσ-+=是尺度可变的高斯函数核。
2. 关键点的构造：为得到关键点，构建高斯差分尺度空间：(,,)[(,,)(,,)](,)(,,)(,,)D x y G x y k G x y I x y L x y k L x y σσσσσ=-*=-检测(,,)D x y σ的局部极值点作为候选关键点。
极值点定义为，检测点和它同尺度的八个相邻点和上下相邻尺度对应的9*2共26个点相比较，若是最小值或者最大值，就认为该点是该尺度下的特征点。
为增强匹配稳定性，提高抗噪声能力，需要剔除不良特征点，即： 1） 低对比度的关键点 2） 不稳定的边缘响应点。
具体剔除方法为：1）对(,,)D x y σ在候选点x 处进行泰勒展开式到二次项：221(x)2T T D DD D x x x x x∂∂=++∂∂ 对其求极值得到212ˆD D x x x -∂∂=-∂∂，计算1ˆˆ()2DD x D x x ∂=+∂，若ˆ|()|0.3D x<则剔除。
2）计算Hessen 矩阵：边缘响应点剔除通过Hessen 矩阵来确定是否剔除：xxxy yx yy D D H D D ⎡⎤=⎢⎥⎣⎦222222(),(),()()()(1)()xx yy xx yy xy Tr H D D Det H D D D Tr H r r Det H r rαβαβαβαβαββ=+=+=-=+++===若该点不满足22()(1)()Tr H r Det H r+<则剔除。
图像变化检测方法综述
图像变化检测方法综述-CAL-FENGHAI.-(YICAI)-Company One1题目：图像变化检测方法综述学号：姓名：图像变化检测方法综述摘要图像的变化检测是指通过分析在不同时间来自同一地区的两副或多幅图像，检测出该地区的地物随时间发生的变化信息。
本文主要用遥感图像的变化检测为例来进行说明，遥感图像的变化检测已经广泛地应用于如森林资源的动态监测、土地覆盖和利用的变化监测、农业资源调查、城市规划布局、环境监测分析、自然灾害评估、地理数据更新以及军事侦察中战略目标(如道路、桥梁、机场)等的动态监视等许多领域。
本文对常见的变化检测方法进行了概括性的介绍与优缺点评述，并分析了当前变化检测方法中存在的普遍问题；并在此基础上，实现了一种基于模糊贴近度的变化检测方法，通过计算相应像素点之间的模糊贴近度，得到了差异图，并用FCM对其聚类，得到了目标图像的变化检测结果。
关键词：变化检测遥感模糊贴近度1.引言随着社会与科技的发展, 人类开发资源与改造自然的能力不断增强, 自然界的变化和人类的各种活动每天都在改变着地表景观及其土地利用形式。
世界人口的快速增长及城市化的发展, 加快了这种变化的速度。
这些变化将对地球资源和生态环境产生深远的影响, 已经引起了广泛关注。
土地利用与土地覆盖变化研究已经成为全球变化研究中的前沿与热点。
由于遥感对地观测具有实时、快速、覆盖范围广、多光谱、周期性等特点, 遥感技术已经成为变化检测最主要的技术手段, 变化检测研究也是目前遥感应用方法研究中的热点之一。
最近20 年来, 各国学者相继发展了许多基于遥感技术的变化检测方法, 也出现了不同的划分方法, 大致可以归纳为以下几种。
按数据源将变化检测方法分为3 类: 基于新旧影像的变化检测、基于新期影像旧期非影像数据的变化检测、基于立体像对的三维变化检测; 按处理的信息层次将变化检测划分为像元级、特征级与决策级3 个层次; 按是否经过分类将其分为直接比较法和分类后比较法两类;最近还有学者按照采用的数学方法将变化检测技术分成代数运算法、变换法、分类法、GIS 法、高级模型法等7 种。
histograms 相似度检测算法
histograms 相似度检测算法Histograms（直方图）相似度检测算法是一种常用的图像相似度度量方法。
该算法通过比较两个图像的直方图特征来评估它们的相似程度。
首先，直方图是一种用于统计某个特征在图像中的分布情况的图形表示方法。
例如，RGB颜色直方图可以统计图像中不同颜色的像素点数量，形成一个三维的直方图。
为了简化计算，通常会对图像进行色彩空间转换，如灰度化、HSV等。
直方图相似度检测算法的步骤如下：1. 图像预处理：将待比较的两个图像进行预处理，包括灰度化、色彩空间转换等操作，以便得到更准确的直方图信息。
2. 直方图计算：针对每个图像，计算其各个通道（或者颜色、灰度）的直方图。
可以将图像分成若干个区域，针对每个区域计算直方图。
3. 直方图归一化：为了消除图像大小及亮度等因素的影响，将直方图进行归一化处理。
常见的归一化方法有均值归一化、方差归一化等。
4. 相似度计算：比较两个图像的直方图相似度，常用的方法包括直方图距离、相关性等。
直方图距离可以通过计算直方图之间的差异度量相似度，而相关性则通过计算直方图之间的相关性来判断相似程度。
5. 相似度阈值判断：通过设置一个相似度阈值来判断两个图像是否相似。
阈值的选择可以根据具体需求和经验来确定。
6. 输出结果：根据相似度阈值的判断结果，输出两个图像的相似度信息，例如相似度指数、相似度比较结果等。
直方图相似度检测算法具有计算简单、快速的优点。
但也存在一定的局限性，例如无法捕捉到图像的纹理、形状等细节信息，对于颜色分布较为相近但形状差异较大的图像可能会判断为较高相似度。
因此，在实际应用中，直方图相似度检测算法可以与其他的图像相似度度量方法结合使用，如结构特征、纹理特征等，以提高图像相似度的准确性和鲁棒性。
图像边缘检测原理及方法
1 1 1 1 2 1 1 1 1
1方向
1 1 1 1 2 1 1 1 1
2方向
1 1 1 1 2 1 1 1 1
3方向
1 1 1 1 2 1 1 1 1
(a) 阶跃边缘
(b) 屋顶边缘
图2-7 Laplace两种边缘下不同检测模板 对阶跃边缘，边缘点即二阶导数零交叉处，交点两边二阶导函数符号相反。 由此，Laplace算子对 { f (i, j )} 的每个像素取x方向及y方向的二阶差分之和。对于 屋顶状边缘，边缘点即二阶导数极小值点，此时取 { f (i, j )} 的每个像素关于x方 向及y方向的二阶差分和的相反数。 由于Laplace算子为二阶差分，会双倍增强图像噪声，因此对图像噪声较敏 感。此外，Laplace算子容易产生双像素宽的边缘，且会丢失边缘方向信息。优 点是各向同性，对灰度突变敏感，定位精准，能检测出大多数边缘，且很少有伪 边缘。 6、LOG 算子 LOG (Laplacian of Gaussian)算子[13]， 是利用图像信噪比得到检测边缘的最优 滤波器。首先，通过高斯函数对图像进行低通平滑滤波；然后通过Laplacia 算子 进行高通滤波，最后由二阶导数零交叉点检测图像的边缘。 高斯滤波函数为： 1 1 （2-15） G ( x, y , ) exp( 2 ( x 2 y 2 )) 2 2 2 其中， 为高斯滤波器标准方差，它反映图像的平滑程度。对图像 f ( x, y ) 进 行低通滤波，得到 f ( x, y ) * G ( x, y, ) ，然后用Laplacian 算子进行处理，得到：
xf f (i, j ) f (i 1, j 1) xf f (i, j 1) f (i 1, j ) R (i, j ) 2x f 2y f 或 R (i, j ) x f y f
图像识别算法原理解析
图像识别算法原理解析图像识别是一项基于计算机视觉和人工智能技术的重要任务，通过对图像进行分析和理解，从中提取有用的信息和特征，以便于计算机能够做出正确的判断和决策。
图像识别算法是实现这一目标的关键，它涉及到很多复杂的数学和计算模型，下面就让我们来解析一下图像识别算法的原理。
1. 特征提取特征提取是图像识别算法中的第一步，它的目的是从图像中提取出能够代表物体特征的信息。
常用的特征提取方法包括颜色特征、纹理特征和形状特征等。
对于图像中的每个像素点，可以根据其颜色数值和相邻像素点的颜色关系进行特征提取。
纹理特征可以通过统计像素点的灰度值分布和相邻像素点的灰度差异来进行分析。
形状特征可以基于图像的边缘信息、形状轮廓等进行提取。
2. 特征匹配特征匹配是图像识别算法中的关键步骤，它的目的是将提取到的特征与数据库中的特征进行比较和匹配，从而找到与之相似的物体。
特征匹配常用的方法有最近邻匹配、支持向量机和神经网络等。
最近邻匹配方法是通过计算查询特征与数据库特征之间的距离来确定最相似的物体。
支持向量机是一种机器学习的分类算法，通过训练一组特征向量来进行分类匹配。
神经网络是一种模拟人脑神经系统的模型，通过多层神经元之间的连接关系来实现特征匹配。
3. 模式识别模式识别是图像识别算法中的核心部分，它的目的是通过对图像的特征进行分析和分类，从而确定图像中所包含的物体类别。
模式识别常用的方法有决策树、随机森林和卷积神经网络等。
决策树是一种基于特征条件的逻辑决策模型，通过不断划分特征空间来进行物体分类。
随机森林是一种集成学习的方法，通过同时训练多个决策树来提高分类准确度。
卷积神经网络是一种深度学习的模型，通过多层卷积和池化操作来提取图像中的特征，并通过全连接层进行分类。
4. 优化方法为了提高图像识别算法的准确度和效率，常常需要采用一些优化方法。
例如，在特征提取阶段可以采用滤波器和边缘检测等技术来增强图像的特征信息。
在特征匹配阶段可以采用尺度不变特征变换和局部特征描述符等算法来增加匹配的稳定性。
相似模型知识点总结
相似模型知识点总结在本文中，我们将介绍几种常见的相似模型，包括文本相似模型、图像相似模型和音频相似模型，并详细讨论它们的原理、应用和训练方法。
1. 文本相似模型文本相似模型是用于比较两个文本之间的相似性的模型。
在自然语言处理领域，文本相似模型有着广泛的应用，例如在搜索引擎中用于文本匹配、推荐系统中用于相似文本推荐等。
常见的文本相似模型包括词向量模型（Word Embedding）、文本向量模型（Text Embedding）、语义匹配模型（Semantic Matching）等。
词向量模型是一种将词表示为实数向量的模型，通过将每个词映射到一个向量空间中的点，来表征词之间的相似性。
常见的词向量模型有Word2Vec、GloVe、FastText等。
这些模型通过训练词向量，使得相似意思的词在向量空间中距离较近，而不相似的词在向量空间中距离较远。
文本向量模型是一种将整个文本表示为一个实数向量的模型，通过将文本映射到向量空间中的点，来表征文本之间的相似性。
常见的文本向量模型有Doc2Vec、BERT等。
这些模型通过训练文本向量，使得相似内容的文本在向量空间中距离较近，而不相似的文本在向量空间中距离较远。
语义匹配模型是一种将两个文本进行比较的模型，通过计算两个文本之间的语义相似度，来评估它们的相似程度。
常见的语义匹配模型有Siamese Network、MatchPyramid等。
这些模型通过训练学习两个文本之间的语义表示，从而实现文本相似度的计算。
除了上述模型外，还有一些其他的文本相似模型，如LSTM、GRU等循环神经网络模型，以及深度学习模型、迁移学习模型等。
这些模型都可以用于比较文本之间的相似性，但具体选择哪种模型取决于具体的应用场景和需求。
在训练文本相似模型时，通常需要大量的文本数据和相应的标签。
数据预处理包括分词、去停用词、构建词表等，而模型训练过程则包括损失函数的选择、优化器的选择、超参数的调整等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
相似图像的检测方法
一、哈希算法
哈希算法可对每张图像生成一个“指纹”(fingerprint)字符串，然后比较不同图像的指纹。
结果越接近，就说明图像越相似。
常用的哈希算法有三种：
1．均值哈希算法(ahash)
均值哈希算法就是利用图片的低频信息。
将图片缩小至8*8，总共64个像素。
这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。
将缩小后的图片，转为64级灰度。
计算所有64个像素的灰度平均值，将每个像素的灰度，与平均值进行比较。
大于或等于平均值，记为1；小于平均值，记为0。
将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。
均值哈希算法计算速度快，不受图片尺寸大小的影响，但是缺点就是对均值敏感，例如对图像进行伽马校正或直方图均衡就会影响均值，从而影响最终的hash值。
2．感知哈希算法(phash)
感知哈希算法是一种比均值哈希算法更为健壮的算法，与均值哈希算法的区别在于感知哈希算法是通过DCT（离散余弦变换）来获取图片的低频信息。
先将图像缩小至32*32，并转化成灰度图像来简化DCT的计算量。
通过DCT变换，得到32*32的DCT系数矩阵，保留左上角的8*8的低频矩阵（这部分呈现了图片中的最低频率）。
再计算8*8矩阵的DCT的均值，然后将低频矩阵中大于等于DCT均值的设为”1”，小于DCT均值的设为“0”，组合在一起，就构成了一个64位的整数，组成了图像的指纹。
感知哈希算法能够避免伽马校正或颜色直方图被调整带来的影响。
对于变形程度在25%以内的图片也能精准识别。
3．差异值哈希算法(dhash)
差异值哈希算法将图像收缩小至8*9，共72的像素点，然后把缩放后的图片转化为256阶的灰度图。
通过计算每行中相邻像素之间的差异，若左边的像素比右边的更亮，则记录为1，否则为0，共形成64个差异值，组成了图像的指纹。
相对于pHash，dHash的速度要快的多，相比aHash，dHash在效率几乎相同的情况下的效果要更好，它是基于渐变实现的。
二、单通道直方图和三直方图
单通道图，俗称灰度图，每个像素点只能有有一个值表示颜色，它的像素值在0到255之间，0是黑色，255是白色，中间值是一些不同等级的灰色。
三通道图，每个像素点都有3个值表示（如RGB图），所以就是3通道。
图像的直方图用来表征该图像像素值的分布情况。
用一定数目的小区间(bin)来指定表征像素值的范围,每个小区间会得到落入该小区间表示范围的像素数目。
可以通过计算图像直方图的重合度，来判断图像之间的相似度。
直方图能够很好的归一化，比如256个bin条，那么即使是不同分辨率的图像都可以直接通
过其直方图来计算相似度，计算量适中。
比较适合描述难以自动分割的图像。
三、基于特征提取与匹配的方法
1．ORB特征
ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。
ORB特征提取速度快,提取的特征直接是二元编码形式，无需使用哈希学习方法就可以直接利用汉明距离快速计算相似度。
在大多数情况下，去重效果能够与SIFT/SURF 持平。
2．SIFT/SURF特征
SIFT特征提取是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。
SIFT所查找到的关键点是一些十分突出、不会因光照、仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等。
四、基于BOW+K-Means的相似图像检测
BOW模型被广泛用于计算机视觉中，相比于文本的BOW，图像的特征被视为单词（word），视觉词汇的字典则由图片集中的所有视觉词汇构成,词袋模型的生成如下图。
首先，用sift算法生成图像库中每幅图的特征点及描述符。
再用k-Means算法对图像库中的特征点进行聚类，聚类中心有k个，聚类中心被称为视觉词汇，将这些聚类中心组合在一起，形成一部字典。
根据IDF原理，计算每个视觉单词TF-IDF权重来表示视觉单词对区分图像的重要程度。
对于图像库中的每一幅图像，统计字典中每个单词在在其特征集中出现的次数，将每张图像表示为K 维数值向量（直方图）。
得到每幅图的直方图向量后，构造特征到图像的倒排表，通过倒排表快速索引相关候选的图像。
对于待检测的图像，计算出sift特征，并根据TF-IDF转化成特征向量（频率直方图），根据索引结果进行直方图向量的相似性判断。
五、基于卷积网络的相似图像检测
在ImageNet中的卷积网络结构（vgg16）基础上，在第7层（4096个神经元）和output 层之间多加一个全连接层，并选用sigmoid激活函数使得输出值在0-1之间，设定阈值0.5之后可以转成01二值向量作为二值检索向量。
这样，对所有的图片做卷积网络前向运算，得到第7层4096维特征向量和代表图像类别分桶的第8层output。
对于待检测的图片，同样得到4096维特征向量和128维01二值检索向量，在数据库中查找二值检索向量对应的图片，比对4096维特征向量之间距离，重新排序即得到最终结果。